prompt 工程

六大类别，包括：

• 情境学习（In-Context Learning, ICL）
• 零样本提示（Zero-Shot）
• 思维生成（Thought Generation）
• 分解（Decomposition）
• 集成（Ensembling）
• 自我批评（Self-Criticism）

meta-prompt(元提示)

参考文献

解决问题的主要思路：

1. 将复杂的任务或问题分解成更小的容易解决的子任务；

2. 使用适当且详细的自然语言指令将这些子任务分配给专业的「专家」模型；

3. 监督这些专家模型之间的通信；

4. 通过这个过程应用其自己的批判性思维、推理和验证技能。

主要贡献点：

meta-prompting 贴近agent思路，组合并扩展了近期研究提出的多种不同的 prompting 思想，包括高层级规划和决策、动态人设分配、多智能体辩论、自我调试和自我反思。

具体实现细节：

对于可使用 meta-prompting 有效调用的语言模型，当对其进行查询时，该模型的作用是作为指挥员（conductor）。它会输出一组消息历史（或者称为叙述（narrative）），其由多个专家模型的响应构成。这个语言模型首先会负责生成消息历史中的指挥员部分，这其中包括专家的选取以及为它们构建特定的指令。但是，同一个语言模型本身也会作为独立专家，其会基于专业知识以及指挥员为每条具体查询选取的信息生成输出。

这种方法可让单个统一的语言模型维持连贯一致的推理路线，同时还可以利用各种不同的专家角色。通过动态地为 prompting 选择上下文，这些专家能为该过程引入全新的视角，同时指挥员模型还能保持对完整历史的鸟瞰视角并维持协调。

因此，这种方法能让单个黑箱语言模型既有效作为中心指挥员，同时又充当一系列不同专家，这样便可以得到更加准确、可靠和连贯一致的响应。

这里新提出的 meta-prompting 技术组合并扩展了近期研究提出的多种不同的 prompting 思想，包括高层级规划和决策、动态人设分配、多智能体辩论、自我调试和自我反思。

meta-prompting 的一个关键方面是其具有一个性质：不受具体任务影响。

传统的脚手架方法需要针对每个任务调整具体的指令或示例，而 meta-prompting 则不同，其在多种任务和输入上都采用了同一套高层级指令。对怕麻烦的用户来说，这种通用性尤其有益，因为这样就不必为每个具体任务提供详细的示例或具体指示了。